[发明专利]一种基于事件的神经影像学文献挖掘主题学习管道方法

权利要求书

1.一种基于事件的神经影像学文献挖掘主题学习管道方法，其特征在于，包括以下步骤：

步骤1：数据预处理；对从PLoS One网站上爬取到的论文数据进行停用词处理；

步骤2：预定义事件的表达；

步骤3：训练LSTM-CNN模型；首先通过Embedding Layer将单词转化为词向量，再输入LSTM进行语义特征提取，最后将LSTM的输出作为CNN的输入，进行进一步的特征提取；

步骤4：训练PCNN模型；通过向量表示，卷积，最大池化，分类四个部分获得关系的向量表示；

步骤5：构建neuroimaging Event-BTM主题学习管道，输入功能神经影像文献数据，获取该文献的主题表示结果；

步骤6：评价模型；使用模型评价指标评价模型性能。

2.根据权利要求1所述的一种基于事件的神经影像学文献挖掘主题学习管道方法，其特征在于：步骤1所述的数据预处理方法中的功能神经影像文献数据去除包含“the、a、an”在内的停用词。

3.根据权利要求1所述的一种基于事件的神经影像学文献挖掘主题学习管道方法，其特征在于：步骤2所述的预定义事件的表达，具体为：主题事件通过使用元事件来构造，元事件表示为“触发词+论元”的结构。

4.根据权利要求1所述的一种基于事件的神经影像学文献挖掘主题学习管道方法，其特征在于：步骤3所述的BiLSTM-CNN模型训练步骤包括：

步骤一：文本向量化；

v_word＝[v_w，v_c，v_t，v_char]

其中，v_word是句子中word_i的组合向量，v_w，v_c，v_t，v_char分别是单词向量，大小写向量，术语词典以及字符向量；

步骤二：事件元素识别，对于一个句子S＝[word₁，word₂，...，word_n]，基于BiLSTM的特征建模过程描述如下：

其中，v_word是句子中word_i的组合向量，f_i是单词表示，word_i是句子中的单词，v_word是句子中word_i的组合向量，h_i是LSTM隐藏层的输出，基于BiLSTM的输出，log-softmax函数用于获取每种触发词或论元的对数概率。